当AI让“做研究”变成实时反馈,产品决策的底层逻辑正在翻转
在 Config 2026 的舞台上,Dscout 抛出一个反直觉观点:代码越便宜,用户研究反而越重要。更炸的是,他们用一整套 AI 研究工具证明——真正拖慢产品的不是构建速度,而是学习速度。
在 Config 2026 的舞台上,Dscout 抛出一个反直觉观点:代码越便宜,用户研究反而越重要。更炸的是,他们用一整套 AI 研究工具证明——真正拖慢产品的不是构建速度,而是学习速度。
AI 能生成图片、字体早就不新鲜了,但 Rory Flynn 在 Config 2026 的演讲抛出一个更狠的观点:真正的瓶颈不是模型能力,而是创意团队还在“手搓内容”。他用 Figma Weave 展示了一种全新的创意操作系统,让创意第一次具备了规模化、自动化和可复用性。
如果我告诉你:继续无脑用最强的前沿模型,可能是当前 AI 工程里最昂贵、也最懒惰的选择,你会不会停下来想一秒?在这场分享里,Arize 的 RL Nabors 给出了一个极具冲击力的答案:真正聪明的团队,已经在用本地模型,把推理成本、延迟和安全问题一次性解决。
当所有人都在卷模型、卷参数时,Meta 的一线工程负责人却抛出一个反直觉判断:AI 代理真正的瓶颈不是“聪不聪明”,而是“靠不靠谱”。更危险的是,很多 AI 故障并不是模型犯错,而是基础设施把小错放大成事故。
如果你还把 Prompt 当成“调参技巧”,那这场仗已经输了一半。Dominik Tornow 在这次演讲中抛出一个刺耳判断:到 2026 年,编码型 Agent 会悄悄“退休”第一代软件平台——因为提示本身,已经成了平台。这不是概念炒作,而是一套正在落地的工程方法论。
如果你以为 AI 写代码贵,是因为模型太强,那你可能被账单骗了。Tesco 的工程师 Raj 讲了一个更反直觉的真相:真正烧钱的不是模型在“思考”,而是你一次次把用不着的代码塞进上下文。更狠的是,他们几乎没碰模型,就把 Token 砍掉了 94%。
很多团队以为Token成本失控,是模型太贵。AWS高级开发者Eric Hanchett却指出:真正的元凶,是Agent设计本身。从系统提示词到工具调用循环,几乎每一步都在偷偷浪费钱。这是一篇能让你立刻省预算、又显得很懂行的实战文章。
当所有人沉迷于“让AI写代码、马上上线”,MongoDB的Apoorva Joshi却抛出一个反直觉结论:真正决定AI系统成败的,已经不是代码,而是你在动手前的系统设计。这场演讲,用一个真实的医保理赔案例,把AI从想法走向生产的底层逻辑彻底讲透。
当所有人都在追求用大模型“秒出代码”时,AWS 的一位资深工程师却泼了一盆冷水:真正能让你写得更快、更稳、更可控的,不是更强的模型,而是更严格的规格文档。这场关于 Spec-Driven Development 的分享,揭示了一个反直觉却正在成真的开发新范式。
大多数AI Agent失败,不是因为模型不够强,而是因为没人知道如何“持续改进”它们。Nearform 技术负责人 Alfonso Graziano 给出了一条反直觉的答案:让 AI 自己来优化 AI。结果很残酷也很惊人——18% 到 83%,只用了 10 轮迭代。